Konferensi Nasional Sistem dan Informatika 2011; Bali, November 12, 2011
KNS&I11-070
IMPLEMENTASI THE FIVE C’S OF CREDIT ANALYSIS DAN NAÏVE BAYES CLASSIFIER PADA SISTEM INFORMASI PENCAIRAN KREDIT KSU NAWA EKA CITA I Wayan Budi Sentana, Erma Sulistyorini, dan Ni Ketut Warastini STMIK-STIKOM Bali
[email protected],
[email protected], dan
[email protected] ABSTRACT Credit disbursement becomes an important part of finance or loan service company. Decision making process of credit disbursement requires several processes, such as customer data analysis and security data analysis processes. The analysis can be computerized so that the process can be much faster. This is a distinct advantage for a loan service company. Implementation of the Five C’s of Credit Analysis in Credit Disbursement Information System KSU Nawa Eka Cita using the Naïve Bayesian method is an information system based on client-server which is expected to help employees in the process of analyzing customer data and security data. Combining the Five C’s of Credit Analysis with the Naïve Bayesian method can help in the decision making whether the loan application is rejected or accepted. Keywords: The Five C’s of Credit Analysis, Naïve Bayesian, Credit Disbursement.
1. Pendahuluan Kredit merupakan sumber utama penghasilan bagi sebuah koperasi dan juga sekaligus sumber resiko operasi bisnis terbesar, karena sebagian besar dana operasional koperasi diputar dalam bentuk kredit. Proses analisa data nasabah, data jaminan hingga proses pengambilan keputusan memiliki peranan penting dalam menekan atau meminimalisasi resiko bagi pihak kreditur, termasuk dalam hal ini adalah koperasi KSU Nawa Eka Cita yang menjadi obyek penelitian. Selama ini, proses pengambilan keputusan pencairan kredit di KSU Nawa Eka Cita dilakukan secara manual. Setelah dilakukan analisa data nasabah dan data jaminan oleh petugas dinas luar atau unit survei, hasilnya diserahkan ke ketua yang akan menentukan apakah permohonan kredit dari calon nasabah tersebut diterima atau ditolak. Untuk penetapan diterima atau ditolak ketua mengadakan perundingan dengan bendahara dan sekretaris, sehingga pengambilan keputusan tidak bisa langsung ditetapkan karena kesibukan dan aktivitas lain, sehingga proses perundingan sering tertunda dua sampai tiga hari. Hal ini tentu akan menghabiskan waktu yang cukup lama, tenaga kerja yang lebih, dan rasio human error yang tinggi. Adapun kendala yang dihadapi pada proses analisis data kredit tersebut adalah bahwa KSU Nawa Eka Cita terlalu bergantung kepada orang yang ahli dalam bidang analisa kredit. Karena hal tersebut, pengambilan keputusan pencairan kredit lebih banyak memakan waktu dan tenaga. Melihat kondisi tersebut maka dalam penelitian ini dilakukan implementasi The Five C’s of Credit Analysis yang telah umum digunakan dalam proses analisa kredit dan metode Naïve Bayesian Classifier untuk menentukan keputusan pemberian kredit. The Five C’s of Credit Analysis, alat analisa kredit yang terdiri dari analisa Charakter, Capacity, Capital, Collateral, dan Condition ini sudah mencakup semua data yang diperlukan untuk proses analisa kredit. Alat analisa ini juga sudah diakui dalam dunia perbankan international. Sedangkan, metode Naïve Bayes merupakan suatu metode yang menangani masalah bersifat hipotesis, seperti mendisain suatu klasisfikasi untuk memisahkan suatu objek. Misalkan terdapat dua jenis objek dengan kemungkinan kemunculan random, selanjutnya ingin diprediksi objek apa yang akan muncul selanjutnya. Kasus yang menjadi objek prediksi adalah kredit ditolak dan kredit diterima. Jika dibandingkan dengan metode yang lain, Naïve Bayes Classifier termasuk ke dalam metode yang mudah untuk diimplementasikan dan memiliki nilai keakuratan yang cukup tinggi. Hal tersebutlah yang melandasi penerapan kedua metode tersebut dalam implementasi Sistem Informasi Pencairan Kredit ini.
2. Landasan Teori 2.1 Pengertian The Fice C’s Of Credit Analysis Dalam dunia perbankan terdapat alat analisis yang digunakan untuk mempertimbangkan pencairan kredit yang disebut dengan The Five C’s of Credit Analysis[7,8] yang terdiri dari: 1) Character (Karakter) Character adalah data tentang kepribadian dari calon pelanggan seperti sifat-sifat pribadi, kebiasaan-kebiasaannya, cara hidup, keadaan, dan latar belakang keluarga maupun hobinya. Karakter ini untuk mengetahui apakah nantinya calon nasabah ini jujur berusaha untuk memenuhi kewajibannya. Dengan kata lain, ini merupakan willingness to pay. Sayangnya, watak merupakan salah satu kriteria yang paling sulit dianalisa, terlebih-lebih bagi mereka yang tidak ahli dalam bidang psikologi. Dalam batas waktu tertentu, watak dan kebiasan buruk dapat disembunyikan, sehingga tidak nampak dari luar. Watak seseorang juga tidak bisa ditentukan oleh kedudukannya dalam masyarakat, kekayaan yang dimiliki, cara berpakaian, atau sikap dan tingkah lakunya. Dengan alasan ini, jalan yang bisa ditempuh seorang analis kredit untuk memperoleh kesan tentang kejujuran calon debitur, adalah mengumpulkan komentar dari narasumber yang mengenal mereka.
440
Konferensi Nasional Sistem dan Informatika 2011; Bali, November 12, 2011
KNS&I11-070
2) Capacity (Kemampuan Untuk Mengembalikan Hutang) Capacity merupakan kemampuan calon nasabah dalam mengelola usahanya yang dapat dilihat dari pekerjaannya, pengalaman mengelola usaha (business record) nya, sejarah perusahaan yang pernah dikelola (pernah mengalami masa sulit apa tidak, bagaimana mengatasi kesulitan). Capacity ini merupakan ukuran dari ability to play atau kemampuan dalam membayar. 3) Capital (Modal) Capital adalah kondisi kekayaan yang dimiliki oleh perusahaan yang dikelolanya. Hal ini bisa dilihat dari neraca, laporan rugi-laba, struktur permodalan, rasio-rasio keuntungan yang diperoleh. Dari kondisi di atas bisa dinilai apakah layak calon pelanggan diberi pembiayaan, dan berapa besar nilai pembiayaan yang layak diberikan. 4) Collateral (Jaminan) Collateral adalah jaminan yang mungkin bisa disita apabila ternyata calon pelanggan benar-benar tidak bisa memenuhi kewajibannya. Collateral ini diperhitungkan paling akhir, artinya bilamana masih ada suatu kesangsian dalam pertimbangan-pertimbangan yang lain, maka bisa menilai harta yang mungkin bisa dijadikan jaminan. 5) Condition (Situasi dan Kondisi) Pembiayaan yang diberikan juga perlu mempertimbangkan kondisi ekonomi yang dikaitkan dengan prospek usaha calon nasabah. Ada suatu usaha yang sangat tergantung dari kondisi perekonomian, oleh karena itu perlu mengaitkan kondisi ekonomi dengan usaha calon pelanggan. 2.2 Pengertian Kredit Supramono[7] menyatakan bahwa kata kredit berasal dari Bahasa Romawi, yaitu "credere", yang berarti kepercayaan. Kredit merupakan perjanjian pinjam meminjam uang antara kreditur dan debitur dalam jangka waktu tertentu dan adanya pengembalian utang disertai dengan bunga pinjaman. 1.1 Prosedur pencairan kredit pada KSU Nawa Eka Cita Adapun prosedur yang berlaku dalam proses pencairan kredit di KSU Nawa Eka Cita adalah sebagai berikut : a) Nasabah mengisi form pengajuan kredit. b) Melengkapi syarat-syarat pengajuan kredit. c) Pihak pegawai membuatkan proposal kredit. d) Pihak pengurus menganalisa pengajuan dan proposal kredit. Apabila proposal kredit disetujui, dilanjutkan dengan proses droping kredit, jika tidak disetujui, form pengajuan dan proposal kredit diarsip oleh pegawai. e) Dari proses droping kredit dilanjutkan dengan proses pencairan kredit dan cetak perjanjian kredit. f) Realisasi kredit dengan kedua belah pihak yang menandatangani perjanjian kredit. 1.2 Metode Naïve Bayesian Kusrini dan Luthfi[3,4] menyatakan bahwa Bayesian Classification adalah pengklasifikasian statistik yang dapat digunakan untuk memprediksi probabilitas keanggotaan suatu class. Bayesian Classification dihitung berdasarkan Teorema Bayes yang memiliki bentuk umum sebagai berikut:
P(H | X) P(X | H )P(H ) P(X) Dalam hal ini: X H P(H|X) P(H)
= = = =
data dengan class yang belum diketahui. hipotesis data X merupakan suatu class spesifik probabilitas hipotesis H berdasarkan kondisi X (posterior probability) probabilitas hipotesis H (prior probability)
Misalkan D adalah sebuah training set dari tuple dan class label terkait, dan setiap tuple direpresentasikan dengan sebuah n-D vektor atribut X = (x1, x2, …, xn). Seharusnya terdapat m class C1, C2, …, Cm. Klasifikasi bertujuan untuk menurunkan posterior maksimum, misalnya P(C i|X) maksimal. Hal ini bisa diturunkan dari teorema Bayes,
P(C | X) i
P(X | C )P(C ) i i P(X)
Karena P(X) bernilai konstan untuk semua kelas maka yang perlu dimaksimalkan hanya
P(C | X) P(X | C )P(C ) i i i Dengan asumsi bahwa setiap atribut bersifat independent atau tidak saling mempengaruhi antara satu atribut dengan atribut yang lain. Sehingga didapatlah persamaan:
441
Konferensi Nasional Sistem dan Informatika 2011; Bali, November 12, 2011
KNS&I11-070
n P(X | C i) P ( x | C i ) P( x | C i) P( x | C i ) ... P( x | C i ) k 1 2 n k 1 Hal ini akan mengurangi biaya komputasi karena hanya perlu menghitung distribusi kelas saja. Penelitian ini sendiri melibatkan data yang bernilai kontinyu, sehingga dalam proses perhitungan posterior probabilitynya akan memerlukan mean (rerata) dan standar deviasi dari setiap atribut yang ada. Karena jika Ak bernilai kontinyu, P(xk|Ci) biasanya akan dihitung berdasarkan distribusi Gaussian (normal) dengan mean μ dan standard deviation σ sebagai berikut:
g ( x, , ) Sehingga P(xk|Ci) akan setara dengan
1 e 2
( x )2 2 2
P ( X | C i ) g ( xk , Ci , Ci )
Sedangkan untuk mean μ dan standard deviation σ sendiri akan dihitung sebagai berikut:
3. Analisa Sistem dan Desain Sistem Seperti pada umumnya metode klasifikasi, naïve bayes classifier juga memiliki dua tahap utama yaitu, training dan testing. Training digunakan untuk melakukan pembelajaran pada mesin berdasarkan data yang telah memiliki keputusan atau class label. Sedangkan tahap atau fase testing adalah proses penentuan keputusan itu sendiri berdasarkan hasil pembelajaran yang dilakukan oleh mesin. 1. Training Data Data training yang digunakan diperoleh dari object penelitian dan telah memiliki label atau keputusan berdasarkan kondisi yang ada sebelumnya, seperti terlihat pada Tabel 1. Data training itu pula telah mengadopsi kelima komponen dari the five C’s of Credit Analysis yang telah dijelaskan di atas. Sample data training pada Tabel 1. tersebut mengandung data mentah yang belum diolah agar dapat dioperasikan menggunakan classifier yang telah disiapkan. Tabel 1. Sample Data Training Sebelum Proses Normalisasi Ditolak Ditolak Diterima Diterima
Keputusan Karakter (%)
60
65
90
90
Gaji/Bulan (Rp)
1.200.000
0
1.500.000
950
Hasil Usaha/Bulan (Rp)
0
4.000.000
0
1.000.000
Biaya/Bulan (Rp)
1.000.000
1.200.000
1.000.000
1.100.000
Biaya Kegiatan Usaha/Bulan (Rp)
0
2.500.000
0
500
Nilai Jaminan (Rp)
7.000.000
8.000.000
7.000.000
9.000.000
Keadaan Jaminan
7
7
8
8
Taksasi Jaminan (%)
80
80
80
85
Kondisi Ekonomi
8
7
8
8
Seperti telah diterangkan dalam landasan teori, dimana Naïve Bayesian adalah metode klasifikasi yang tidak mempertimbangkan pengaruh suatu atribut terhadap atribut yang lain. Sehingga untuk menghindari terjadinya dominasi dari suatu atribut atau variabel, maka perlu dilakukan proses normalisasi yang menempatkan setiap nilai data berada dalam kisaran 0 sampai 1. Tabel 2. menunjukkan sample data yang telah mengalami proses normalisasi.
Keputusan
Tabel 2. Sample Data Training Setelah Proses Normalisasi Ditolak Ditolak Diterima
Karakter Gaji/Bulan Hasil Usaha/Bulan Biaya/Bulan
0 0.8 0 0
0.17 0 1 1
1 1 0 0
Diterima 1 0.6 0.25 0.5
Konferensi Nasional Sistem dan Informatika 2011; Bali, November 12, 2011
KNS&I11-070
Keputusan
Ditolak
Ditolak
Diterima
Diterima
Biaya Kegiatan Usaha/Bulan Nilai Jaminan
0 0
1 0.5
0 0
0.2 1
Keadaan Jaminan
0
0
1
1
Taksasi Jaminan
0
0
0
1
Kondisi Ekonomi
1
0
1
1
Langkah selanjutnya adalah mencari rerata (mean) dan standar deviasi untuk masing-masing atribut yang ada. Rerata dan standar deviasi ini akan diperlukan untuk proses pencarian posterior probability dari proses testing selanjutnya. Adapun nilai rerata dan standar deviasi dari setiap atribut terhadap class yang ada, dapat terlihat seperti pada Tabel 3. Tabel 3. Nilai Rerata dan Standart Deviasi Data Training Per Atribut dan Per Kelas Ditolak Diterima Keputusan 0.085 1 Mean Karakter 0.01445 0 Variance Karakter 0.4 0.8 Mean Gaji/Bulan 0.32 0.08 Variance Gaji/Bulan 0.5 0.125 Mean Hasil Usaha/Bulan 0.5 0.03125 Variance Hasil Usaha/Bulan 0.5 0.25 Mean Biaya/Bulan 0.5 0.125 Variance Biaya/Bulan 0.5 0.1 Mean Biaya Kegiatan Usaha/Bulan 0.5 0.02 Variance Biaya Kegiatan Usaha/Bulan 0.25 0.5 MeanNilai Jaminan 0.125 0.5 Variance Nilai Jaminan 0 1 Mean Keadaan Jaminan 0 0 Variance Keadaan Jaminan 0 0.5 MeanTaksasi Jaminan 0 0.5 Variance Taksasi Jaminan 0.5 1 Mean Kondisi Ekonomi 0.5 0 Variance Kondisi Ekonomi 2. Testing Data Setelah mendapatkan rerata dan standar deviasi dari setiap atribut terhadap class yang ada, maka proses selanjutnya adalah menentukan nilai posterior probability jika ada data baru yang akan diujikan. Hasil posterior probability yang lebih besar dari setiap class label yang ada adalah penanda kedekatan atau hasil prediksi kelas dari data yang baru diinput tersebut. Dalam aplikasi ini sendiri, hasil dari posterior probability data baru yang akan diujikan akan menentukan apakah sebuah pengajuan aplikasi kredit disetujui atau tidak. 3.1 Desain Flow Chart Sistem Informasi Pencairan Kredit Jogiyanto[6] menyatakan bahwa bagan alir merupakan bagan yang menunjukkan arus pekerjaan secara keseluruhan dari sistem. Bagan ini menjelaskan urutan dari prosedur–prosedur yang ada di dalam sistem. Flow chart Sistem Informasi Pencairan Kredit ini sendiri digunakan untuk meggambarkan alur proses pencairan kredit yang ada pada sistem informasi ini. Adapun alur lengkapnya dapat dilihat pada Gambar 1.
443
Konferensi Nasional Sistem dan Informatika 2011; Bali, November 12, 2011
KNS&I11-070
Gambar 1. Flow Chart Proses Pencairan Kredit di KSU Nawa Eka Cita 3.2 Desain Struktur Database Gambar 2. menunjukkan skema basis data yang dimiliki oleh Sistem Informasi Pencairan Kredit pada KSU Nawa Eka Cipta. Sedangkan Gambar 3. memperlihatkan contoh antarmuka Sistem pada proses training sistem berdasarkan data training yang dimiliki oleh KSU Nawa Eka Cita. Struktur database ini menggambarkan hubungan antar entitas yang ada di dalam system[1,2].
Gambar 3.5 ERD SI Pencairan Kredit KSU Nawa Eka Cita
Gambar 2. Gambar Struktur Database
Konferensi Nasional Sistem dan Informatika 2011; Bali, November 12, 2011
KNS&I11-070
Gambar 3. Contoh Antarmuka Untuk Proses Training Sistem dari Data Set Training
4. Kesimpulan Berdasarkan hasil implementasi Sistem Informasi Pencairan Kredit di kSU Nawa Eka Cita, maka dapat disimpulkan beberapa hal sebagai berikut: 1) Sistem ini dapat menganalisa data pengajuan kredit berdasarkan The Five C’s of Credit Anlysis, dimana perhitungan probabilitas kemunculan hasil analisa berdasarkan pada perhitungan metode Naïve Bayesian. 2) Perhitungan dengan menggunakan metode Naïve Bayesian sangat membantu dalam pengambilan keputusan untuk menyatakan kredit ditolak atau kredit diterima. 3) Sistem ini dapat memberikan informasi keputusan kepada pegawai apakah pengajuan kredit ditolak atau kredit diterima. 4) Sistem ini dapat memberikan segala informasi mengenai data kredit yang bersifat relevan, akurat, lengkap, dan tepat waktu.
Daftar Pustaka [1] Amin Mohamad. (2006). Kasus-kasus Pengembangan Database, Sebuah Pendekatan Terpadu Mempelajari SQL Server 2000, Andi, Yogyakarta. [2] Kadir, Abdul. (2003). Pengenalan Sistem Informasi, Andi, Yogyakarta. [3] Kusrini, M. Kom, Koniyono, (2007). Tuntunan Praktis Membangun Sistem Informasi Akuntasi dengan Visual Basic dan Microsoft SQL Server, Andi, Yogyakarta. [4] Kusrini, M. Kom, Luthfi, Emha Tufiq. (2009). Algoritma Data Mining, Andi, Yogyakarta. [5] Pressman, Ph.D, dan Roger S. (2002). Rekayasa Perangkat Lunak, Andi, Yogyakarta. [6] Prof.Dr.Jogiyanto.HM, MBA. (2005). Akt. Analisa dan Desain Sistem, Andi, Yogyakarta. [7] Supramono Gatot, S.H., M.Hum. (2009). Perbankan dan Masalah Kredit, Rineka Cipta, Bandung. [8] Sutojo Siswanto, Drs. (1995). Analisa Kredit Bank Umum: Konsep dan Teknik, Pustaka Binaman Pressindo, Jakarta.
